用于地震断层分割的共识门控多智能体神经架构搜索

用于地震断层分割的神经网络通常借鉴于计算机视觉和医学成像领域，它们在相对较大的标记数据资源下进行训练。在地球物理应用中常见的紧张标记数据预算下优化其架构并不是一个小问题。手动设计数据最优架构非常耗时，而经典神经架构搜索 (NAS) 仅限于手工设计的搜索空间和大量计算预算。我们提出了一个代理 NAS 系统，其中由三个 大语言模型（Claude、GPT-5.1 和 Gemini~2.5~Pro）组成的小组对每个候选架构进行辩论以达成一致共识，编写完整的 PyTorch 实现，对其进行交叉审查，并将其提交给具有 450K 硬参数预算、保留或恢复谱系以及失败机制记忆的自动验证训练评分循环。该搜索使用源代码而不是预定义的操作菜单进行操作，在单个消费级 GPU 上运行，并且仅训练了八名候选者。它发现了我们的：一个 425K 参数的编码器-解码器，具有条带池瓶颈、挤压和激励门控、非对称单卷积解码器和特征金字塔融合颈。在与源自 Thebe 断层数据集的部分的所有基线相同的协议下进行训练，它在所有测试的模型中获得最高的 F1 (0.578) 和 IoU，同时又是最小的，优于已发布容量的 U-Net（31M 参数，F1 0.484）、DeepLabV3-ResNet50（39.6M，0.516）、Attention U-Net（1.83M， 0.502）。搜索花费了 101 个 LLM 调用（$\sim$1.15M 输入/0.39M 输出词元）和大约一个 GPU 天，这使得共识门控 LLM 面板成为发现特定领域架构的实用、低成本途径。